FlexPlan：基于ArchiGraph的高灵活性交互式平面图设计工具

《Graphical Models》：FlexPlan: High-flexibility interactive floorplan design based on ArchiGraph

建筑平面图设计|ArchiGraph|交互式设计|环境约束|房间框生成|图卷积网络|快速布局生成

　　AI辅助的平面设计是一项长期存在的任务，传统上需要专业设计师进行耗时的手动工作。随着人工智能技术的发展，近年来研究者们尝试通过算法和模型来实现平面设计的自动化。然而，大多数现有方法主要关注于生成平面布局的基本元素（如房间的尺寸、位置和相邻关系），忽略了环境因素，并且无法支持用户进行定制化设计。为此，本文提出了FlexPlan，这是一种交互式高灵活性的平面设计方法。

FlexPlan的核心创新点在于引入了一种新的图结构，名为ArchiGraph，它能够更全面地编辑平面布局中的各种元素，包括建筑结构、环境因素和人类需求。具体来说，FlexPlan将平面设计过程分为三个阶段：平面匹配、房间确定和布局生成。在平面匹配阶段，我们根据输入的建筑和环境特征匹配相似的平面布局。接着，利用ArchiGraph，我们通过交互方式生成房间的属性，并快速输出向量化的平面布局。在这一过程中，我们设计了一个RelationNet来预测房间的相邻关系，并提出一个BoxNet来生成高质量的房间框图。

通过主观和客观实验，我们的方法能够生成多样且复杂的平面布局，例如具有不规则边界和房间形状的布局。与最先进的方法相比，我们的方法能够生成更高质量的平面布局，并且在布局生成速度上提高了近20倍。这表明FlexPlan在平面设计的多个方面具有显著优势，不仅支持灵活的交互设计，还能够满足复杂的环境和用户需求。

在平面匹配过程中，我们首先识别具有相似边界形状和前门位置的平面布局。然后，我们进一步根据环境因素筛选出与输入环境属性相符的平面布局。例如，我们通过标注太阳光和噪音因素，来识别平面布局中接收最长日照时间的边界（称为“日照侧”）以及靠近噪音源的边界（称为“噪音暴露侧”）。通过这种方式，我们能够找到符合用户需求的平面布局，并将其推荐给用户。

为了生成符合用户需求的房间TopoGraph，我们设计了RelationNet和BoxNet两个网络模型。RelationNet利用图卷积网络（GCN）来预测房间之间的相邻关系，从而构建出房间TopoGraph。BoxNet则负责生成房间框图，并通过后处理来对齐这些框图，最终生成高质量的平面布局。这两个网络模型的引入，使得FlexPlan能够在保持设计灵活性的同时，显著提升布局生成的速度和质量。

在实验部分，我们对FlexPlan进行了详尽的评估。首先，我们使用RPLAN数据集进行训练和测试，该数据集包含80,788个真实生活中的平面布局，每个布局都以256×256像素的PNG格式存储，并在四个通道中记录了外部墙、内部墙和房间分布信息。通过实验，我们发现FlexPlan在生成速度上显著优于现有方法，达到了近20倍的提升。此外，我们还进行了用户研究，通过问卷调查的方式，评估了生成布局的合理性、功能性以及用户的满意度。结果表明，FlexPlan在多个评价指标上都表现优异，能够生成接近人类设计的布局。

在房间TopoGraph生成过程中，我们采用了两步方法，即房间分布推导和房间关系预测。这种方法与Graph2Plan等单步方法相比，具有更高的交互性和逻辑性。通过这种方式，我们能够更有效地支持用户在设计过程中进行调整和优化。

FlexPlan还能够处理不规则边界和特定房间形状的平面布局。通过调整ArchiGraph的结构，我们能够生成符合用户需求的平面布局，而其他方法如HouseGAN和HouseGAN++则无法实现这一点。这表明FlexPlan在处理复杂设计需求方面具有显著优势。

此外，FlexPlan还能够处理环境因素，如太阳光和噪音的影响。通过在平面布局中标注这些因素，我们能够生成符合环境要求的布局，提高居住舒适度。这在现有研究中是独一无二的，为平面设计领域带来了新的突破。

总的来说，FlexPlan通过引入ArchiGraph这一创新的图结构，结合RelationNet和BoxNet网络模型，实现了高灵活性的平面设计。该方法不仅提高了设计效率，还能够满足多样化的用户需求和环境要求，为未来的平面设计提供了新的可能性。